基于数学形态学的阵风锋识别算法

基于数学形态学的阵风锋识别算法

阵风锋的识别算法风峰是指强对流系统的强对流，如强风或电流，到达近地，通过接触雷和风暴前的温暖环境，形成一个交界面，也称为流量或流量边缘。国内外气象学者们针对阵风锋的研究可归纳为两个方面,一是形成机制和结构特征及其作用等,二是自动识别算法。Benjamin(1968)指出阵风锋是由于雷暴出流冷湿气团密度大而因重力作用下沉与暖气团相遇而形成的本文结合已有的阵风锋识别方法并加以改进,基于阵风锋窄带形态、速度辐合特征外,新考虑了阵风锋移动迅速特征,综合“相邻时次体扫强度变化”、“速度切变”和“速度梯度”等参量,利用数字图像处理技术中的数学形态学识别阵风锋。该算法处理图像数据速度快,能较好地得到阵风锋位置信息,为阵风锋伴随的大风预警提供参考依据。1形态学处理方法数学形态学是由一组形态学的代数运算子组成的,它的基本运算有4个:膨胀、腐蚀、开启和闭合,它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法,用它们可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边缘检测、图像滤波、图像增强和恢复等数学形态学方法利用一个称作结构元素的“探针”收集图像的信息,当探针在图像中不断移动时,便可考察图像各个部分之间的相互关系,从而了解图像的结构特征。结构元素的选取一般几何上比原图像简单,且远小于原图像,根据形态,一般分为十字形、圆形和菱形3种(图1)。采用不同的结构元素进行形态学运算有不同的效果膨胀是将目标周围的背景点合并到该物体的过程,对填补目标中的空洞非常有用,如果两个目标之间距离比较近,则膨胀运算可以把这两个目标连通起来。腐蚀是消除目标所有边界点的一种过程,亦可以把小于结构元素的目标集合去除。如果两个物体间有细小的连通,选择合适的结构单元通过腐蚀运算可以将两个物体分开。细化是将复杂的图像在保持整体图像主干结构不变的情况下将多像素点的区域逐步精简为一个像素点,最终得到单像素点构成的分支,即图像的骨架。细化的目的是在提取图像的骨架同时保持图像的原有形状和连通性本文采用的形态学处理流程为:膨胀、腐蚀和细化。图2给出了一张原始图像经膨胀、腐蚀和细化后的效果图。2风险零型识别2.1阵风锋回波特征量场本文综合考虑阵风锋的窄带、快速移动和速度辐合特征,利用一个能综合反映这些特征的参量,建立雷达观测范围内的二维特征量场,用于阵风锋的图像识别。用雷达相邻时次体扫0.5°仰角反射率因子差值场来反映阵风锋的窄带和快速移动特征。在一个6min的体扫周期内,降水回波的强度和位置变化较小,除了降水回波边缘外,降水回波内部的反射率因子差值都应该在零值附近。而阵风锋表现为弱的窄带回波,而且其回波强度比其周围的要强,移动速度比较快,因而,在0.5°仰角反射率因子差值场中,当前时次阵风锋所在处的反射率因子差值应该是正值,且小于一定阈值(缺省值为30dB);而上一时次阵风锋所在处的反射率因子差值应该是负值,且大于一定阈值(缺省值为-30dB)。为了减轻降水回波边缘对阵风锋特征信息的干扰,在计算反射率因子差值场之前先对两幅反射率因子图进行膨胀处理,避免在差值场中留下较多的降水回波边缘信息。图3给出了2005年6月14日武汉雷达观测的一个阵风锋个例的相邻时次体扫0.5°仰角反射率因子及其差值场,位于图3c中间部位的长弧线回波就是阵风锋所在位置,此外,图中还有一些其他回波信息。利用速度辐合C和速度梯度G这2个参量来描述阵风锋的速度辐合特征,其计算公式如下:其中:i,j分别为当前库的方位和斜距序号,Δr为径向速度的距离分辨率,r为斜距,V为径向速度值,n=-3,-2,-1,0,1,2,3;m=3。C和G单位均为m·s在反射率因子差值场基础上,再综合考虑C和G场,得到一个二维特征量场,用于阵风锋的图像识别。具体做法是:在反射率因子差值场中,针对位于2~15dB的回波点,检查对应的C和G值,如果C和G值均为有效值且小于设定阈值(缺省阈值分别为-1m·s2.2阵风锋的细化阵风锋骨架抽取过程包括对二维特征量场进行二值化、膨胀、腐蚀、填补空洞、细化和剪枝。首先对二维特征量场进行二值化,把有效值点设为1,其他设为0。然后选取5×5圆形结构元素(图1b)对二值化后的二维特征量场进行膨胀和腐蚀。细化处理是将原图像中宽度大于1个像素的线条细化成只有一个像素宽,其目的是为了提取阵风锋骨架。细化的基本思想是层层剥离,即从线条边缘开始一层一层向里剥离,直到线条只剩下一个像素点为止。细化算法应满足3个条件:①将条形区域变成一条薄线;②薄线应位于原条形区域的中心;③薄线应保持原图像的拓扑特性。在细化结果中会产生毛刺和断纹等缺陷,因此细化处理后还需要对骨架剪枝,以便得到一条没有分支的曲线。对于一条有分支的曲线,其由3种点组成:端点、节点和它们之间的普通点,图5给出了节点(中心点)的几种常见分布方式。一个节点必有3个或4个可能的查找方向,对每个方向逐点寻找其到端点的距离,距离最短的即为分支,应被剔除掉。最后的剪枝结果可能得到数条无分支的光滑曲线,选取较长的曲线,查找其两端附近的短线,如果方向不超过30度,则将两条线段连通成一根,最终去掉长度较短的曲线,剩余一条较长的曲线即为阵风锋。图6给出利用武汉雷达2005年6月14日12:13观测的基数据识别的阵风锋中间结果图,其对应的反射率因子场及其差值场见图3。3反射率因子和阵风锋识别结果选取武汉雷达2005年6月14日和2002年8月24日观测的2个阵风锋过程的共53个体扫数据对该算法进行了检验,结果表明该算法正确识别阵风锋39个,错误识别3个,漏识别11个。图7给出了2005年6月14日12:07—13:14的反射率因子和相应的阵风锋识别结果图,图8给出了2002年8月24日04:24—05:37的反射率因子和相应的阵风锋识别结果图,反射率因子图中的箭头所指是阵风锋窄带回波。从这两个阵风锋过程的识别结果可以看出,识别曲线与阵风锋窄带回波的位置和走向较为一致,在多数时次,由于阵风锋两端回波较弱的缘故识别出来的曲线长度较短,但仍能为阵风锋大风预警提供参考依据。4识别算法检验本文基于阵风锋的反射率因子窄带形态、速度辐合和快速移动特征,提出基于数字图像处理技术中的数学形态学算法的阵风锋自动识别算法。利用武汉雷达观测的2个阵风锋过程的共53个体扫数据进行该算法